基于KD-DenseNet的旋转机械故障诊断模型
【摘要】 针对传统旋转机械故障诊断算法在复杂多变的工况下，缺乏良好的自适应与泛化性的问题()智能故障诊断模型提出了基于将各类故障状态的原始振动信号进行重叠分段预处的输入进行训练，使用训练得到的模型对不同工况下的振动信号进行自适KD-DenseNet应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性，最终得到故障类型判定的应用避免了梯度弥散现象，提高了有效特征的提取效率，解决了传统特征提取方法中无法有效挖KD-DenseNet。dropout。dropoutDenseNetKD理，并将预处理得到的数据作为应特征提取与分类，并将结果掘特征。KD-DenseNet无法自适应于任务进行调整等问题、。
